注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 计算机深度学习与智能图像诊断对胃高分化腺癌病理诊断的价值

  2. 随着计算机技术的发展, 机器学习被深入研 究并应用到各个领域, 机器学习在医学中的 应用将转换现在的医学模式, 利用机器学习 处理医学中庞大数据可提高医生诊断准确 率, 指导治疗, 评估预后. 机器学习中的深度 学习已广泛应用在病理智能图像诊断方面, 目前在有丝分裂检测, 细胞核的分割和检测, 组织分类中已取得较好成效. 在病理组织学 上, 胃高分化腺癌因其组织结构和细胞形态 异型性小, 取材标本表浅等原因容易漏诊. 现有的早期胃癌的病理智能图像诊断系统 中没有关于腺腔圆度的研究, 圆度测量可

  3. 所属分类：深度学习

    • 发布日期：2018-08-16
    • 文件大小：1048576
    • 提供者：hanangellove

  1. 用于微博情感分析的一种情感语义增强的深度学习模型

  2. 基于神经语言模型的词向量表示技术能够从大规模的未标注文本数据集中自动学习词语的有效特征表 示，已经在许多自然语言处理任务及研究中取得重要进展．微博中的表情符号是微博情感分析最重要的特征之一， 已有大量的研究工作在探索有效地利用表情符号来提升微博情感分类效果．借助词向量表示技术，为常用表情符 号构建情感空间的特征表示矩阵ＲＥ；基于向量的语义合成计算原理，通过矩阵ＲＥ 与词向量的乘积运算完成词义 到情感空间的映射；接着输入到一个ＭＣＮＮ（Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　Ｃｏｎｖｏｌｕｔｉｏｎ　Ｎｅｕｒ

  3. 所属分类：深度学习

    • 发布日期：2018-01-20
    • 文件大小：1048576
    • 提供者：zhp881828

  1. 低功耗深度学习和计算机视觉方法综述【WF-IoT-普渡大学】.pdf

  2. 本文综述了低功耗深度学习和计算机视觉在推理方面的研究进展，讨论了压缩和加速DNN模型的方法。这些技术可以分为四大类:(1)参数量化和剪枝;(2)压缩卷积滤波器和矩阵分解;(3)网络结构搜索;(4)知识提取。我们分析了每一类技术的准确性、优点、缺点和潜在的问题解决方案。我们还讨论了新的评价指标，作为今后研究的指导。

  3. 所属分类：机器学习

    • 发布日期：2020-03-26
    • 文件大小：227328
    • 提供者：syp_net

  1. 深度学习在各场景下的评估指标

  2. 梳理了在百度EasyDL上如下几种深度学习场景下的评估指标以及展示方式：  图像：图像分类、物体检测、图像分割  文本：文本分类、短文本匹配、序列标注  视频：视频分类  声音：声音分类

  3. 所属分类：深度学习

    • 发布日期：2020-03-17
    • 文件大小：1048576
    • 提供者：wiborgite

  1. MIT公开课-Vivienne Sze教授《深度学习硬件加速器》.pdf

  2. 演讲主讲人是 Vivienne Sze，来自 MIT 的高效能多媒体系统组（Energy-Efficient Multimedia Systems Group）。她曾就读于多伦多大学，在 MIT 完成 PhD 学业并获得电气工程博士学位，目前在 MIT 任教。Sze 教授的主要研究兴趣是高效能算法和移动多媒体设备应用架构，她最近在MIT公开课给了《 Efficient Computing for Deep Learning, AI and Robotics》报告。 本次演讲的主题是 DN

  3. 所属分类：深度学习

    • 发布日期：2020-02-18
    • 文件大小：5242880
    • 提供者：u010094576

  1. A股程序化交易智能识别及分类研究—基于深度学习的方法.pdf

  2. 上交所研究论文： 程序化交易日臻复杂， 其蕴含的技术故障、重大差错等风险， 容易对市场秩序和交易安全造成冲击。 鉴于程序化交易的专业性和 复杂性， 要形成针对性强、有效性高的一线监管约束， 前提是构建 有效的程序化交易识别和分类方法。本文提出一种 A 股市场程序化 交易的识别与分类方法—DeepEye。 本文通过系统分析A股市场上现 有的九类程序化交易类型，构建了程序化交易特征指标体系。同 时，首次尝试将深度学习人工智能技术用于程序化交易的识别和分 类，不仅使 DeepEye 整体上具有大数据的

  3. 所属分类：深度学习

    • 发布日期：2020-07-02
    • 文件大小：1048576
    • 提供者：weixin_49105965

  1. 《文本分类大综述：从浅层到深度学习》

  2. 文本分类是自然语言处理中最基本、最基本的任务。过去十年，由于深度学习取得了前所未有的成功，这一领域的研究激增。大量的方法、数据集和评价指标已经在文献中提出，提高了全面和更新综述的需要。

  3. 所属分类：机器学习

    • 发布日期：2020-08-06
    • 文件大小：1048576
    • 提供者：syp_net

  1. 基于深度学习的行为检测方法综述_高陈强.caj

  2. 行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究热点。近年来，基于深度学习的方法在行为检测领域取得了巨大的进展，引起了国内外研究者的关注，对这些方法进行了全面的梳理和总结，介绍了行为检测任务的详细定义和面临的主要挑战; 从时序行为检测和时空行为检测 2 个方面对相关文献做了细致地分类，综合分析了每一类别中不同研究方法的思路和优缺点，并阐述了基于弱监督学习、图卷积神经网络、注意力机制等新兴研究话题的相关方法; 介绍了行为检测领域常用的数据集以及性能评估指标，在这些数据集上比

  3. 所属分类：深度学习

    • 发布日期：2020-12-25
    • 文件大小：1048576
    • 提供者：WhiffeYF

  1. 深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）

  2. 深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）1、什么是混淆矩阵2、分类模型评价指标3、两种多分类混淆矩阵3.1直接打印出每一个类别的分类准确率。3.2打印具体的分类结果的数值4、总结 1、什么是混淆矩阵 深度学习中，混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。它可以直观地了解分类模型在每一类样本里面表现，常作为模型评估的一部分。它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：211968
    • 提供者：weixin_38645865

  1. 结构-纹理分解下基于深度学习的卷积神经网络的有效去除伪像的方法

  2. 鉴于压缩退化图像的最佳恢复，本文提出了一种基于深度学习的卷积神经网络，在结构纹理分解的基础上，去除块状伪影的有效方法。 首先，通过总变化优化决策将退化图像分解为结构和纹理两部分。 然后，设计一个卷积神经网络以消除纹理部分中存在的阻塞伪像。 最后，将恢复的纹理部分与结构部分进行合成，以形成最终的最佳恢复图像。 实验结果证明了该方法在主观和客观上都可以消除阻塞伪像的性能优势。 最佳还原图像的客观质量指标。

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：2097152
    • 提供者：weixin_38667408

  1. 深度转移指标学习

  2. 深度转移指标学习

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：655360
    • 提供者：weixin_38684633

  1. TensorDash:TensorDash是一个应用程序，可让您远程监控深度学习模型的指标并在模型训练完成或崩溃时通知您-源码

  2. TensorDash TensorDash是一个应用程序，可让您远程监视深度学习模型的指标，并在模型训练完成或崩溃时通知您。 为什么选择Tensordash？ 实时观看您的模型火车。 支持所有主要的深度学习框架。 远程获取有关培训和验证指标的详细信息。 当您的模型完成训练或崩溃时得到通知。 获取有关模型指标的详细图表。 安装 安装Python包 有两种安装tensordash的方法： 从PyPI安装tensordash（推荐）： 注意：这些安装步骤假定您在Linux或Mac环境

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：1048576
    • 提供者：weixin_42137028

  1. coffeeshop:一个python软件包，在每个指定的时期后，将您的深度学习培训和验证指标发送到您的松弛渠道-源码

  2. 咖啡馆 在每个指定的时间段之后，此软件包都会将您的深度学习模型的训练和验证指标发送到松弛的渠道。 它使用slackclient和keras python软件包。 安装 $点安装咖啡店 代码样例 from coffeeshop . coffeeshop import Coffeeshop secret = 'xoxp-slacktoken' # For sending metrics to channel. channel_name = 'name_of_channel_to_be_posted'

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：117760
    • 提供者：weixin_42168830

  1. 基于深度学习的天线选择辅助空时移键控系统

  2. 本文提出了一种基于深度学习方法的天线选择辅助空时移键控（STSK）多输入多输出（MIMO）系统。 更具体地说，我们首先从信道状态信息中提取信道特征，然后通过最大化关键性能指标来标记每个样本。 最后，我们将天线选择视为多类分类学习，并通过神经网络对样本进行分类，以选择支持实际通信的最佳天线子集。 仿真结果表明，神经网络可能比其他机器学习方法具有更高的准确性，并且相应的性能保持与最佳遍历搜索方法相近。

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：722944
    • 提供者：weixin_38742954

  1. dla:音频处理的深度学习-源码

  2. 音频深度学习（DLA） 每周的讲座和研讨会资料位于./week*文件夹中，有关资料和说明，请参阅README.md。 任何技术问题，想法，课程资料中的错误，贡献想法-添加问题 该课程的当前版本于2020年秋季在的进行 教学大纲 数字信号处理简介 讲座：信号，傅立叶变换，频谱图，MFCC等 研讨会：PyTorch简介，DevOps，深度学习研发 自动语音识别I 讲座：指标，注意力，LAS，CTC，BeamSearch 研讨会：Docker，W＆B，音频增强 自动语音识别II 演讲：LM融

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：2097152
    • 提供者：weixin_42129970

  1. 深度学习入门-源码

  2. 欢迎与LeadingIndia.ai合作阅读我们的AI和深度学习课程库简介！ 您可以通过访问与LeadingIndia.ai合作找到有关我们的AI和深度学习入门课程的更多信息 要注册我们的课程，您可以通过访问找到适合您日程的下一门 教学大纲 第一天 理论：人工智能和深度学习导论 动机：深度学习的基础和术语 AI vs ML vs DL：比较 特征和重量 机器学习回顾：线性回归，逻辑回归 激活功能。 动手 Python编程简介 第二天 理论：神经网络 神经网络 损失函数 梯度下降 前馈和后向

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：2097152
    • 提供者：weixin_42179184

  1. 基于CPU的深度学习推理部署优化实践

  2. 本文来自于infoq技术产品团队，本文将详细介绍系统级优化方法，以及深度学习云平台落地的应用和算法，希望对您的学习有所帮助。随着人工智能技术在视频业务线的广泛应用，深度学习算法在云端的部署对计算资源，尤其是GPU资源的需求也在飞速增长。如何提高深度学习应用部署效率，降低云平台运行成本，帮助算法及业务团队快速落地应用和服务，让AI发挥真正的生产力，是深度学习云平台团队努力的目标。从基础架构的角度，GPU资源的紧缺和GPU利用率的不足是我们面临的主要挑战。由于大量的算法训练及推理服务需求，云端GPU

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：544768
    • 提供者：weixin_38651507

  1. 深度学习在美团搜索广告排序的应用实践

  2. 本文来自于网络，本文将结合广告特殊的业务场景，介绍美团搜索广告场景下深度学习的应用和探索在计算广告场景中，需要平衡和优化三个参与方——用户、广告主、平台的关键指标，而预估点击率CTR（Click-throughRate）和转化率CVR（ConversionRate）是其中非常重要的一环，准确地预估CTR和CVR对于提高流量变现效率，提升广告主ROI（ReturnonInvestment），保证用户体验等都有重要的指导作用。传统的CTR/CVR预估，典型的机器学习方法包括人工特征工程+LR（Log

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：1048576
    • 提供者：weixin_38627603

  1. DeepLncLoc：基于深度学习的lncRNA亚细胞定位预测器-源码

  2. DeepLncLoc 基于深度学习的lncRNA亚细胞定位预测因子 用法 如何训练模型 您可以通过命令打击以非常简单的方式训练模型： python train.py –k 3 –d 64 –s 64 –f 128 –metrics MaF –device“ cuda：0” k是k-mers功能的值。 d是由gensim库训练的k-mer特征向量的维数。 s是子序列数。 f是CNN层中的过滤器编号。 指标是训练过程中的评估指标。 “ MaF”代表宏f1，“ ACC”代表精度，“ MaAUC”代

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：2097152
    • 提供者：weixin_42126274

  1. nn-toolbox：常用的深度学习组件，过程和应用程序的工具箱-源码

  2. PyTorch中的深度学习高层框架。 介绍 每当我做一个项目时，我总是必须从头开始重新实现所有功能。 首先，这很有用，因为这需要我真正地学习概念和程序。 但是，这些杂务很快变得令人讨厌。 因此，我创建了此存储库，以存储所有有用的代码。 这很快扩展到我在论文中看到并想要实现的东西。 最后，当我实现一些更困难的东西（例如回调）时，很棒的fastai课程问世了，所以我决定利用这次机会来上课，调整代码（例如笔记本）和库以适应我现有的代码库。 在这里可以找到什么？ 我将代码组织成核心元素（回调，组件，损

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：1012736
    • 提供者：weixin_42099087
« 12 3 4 5 6 7 8 »